DenseNet201 “智胜”：深度学习助力牙髓器械折断精准检测，改写根管治疗诊断格局

为解决根尖片中 FEIs 识别难且缺乏标准化检测方法的问题，Trakya 大学研究人员开展 DL 模型检测 FEIs 的研究。结果显示 DenseNet201 性能最佳。该研究为 RCT 诊断提供参考，值得科研读者一读。

　　

在牙科治疗领域，根管治疗（Root Canal Treatment，RCT）是一项极为重要的多阶段治疗手段。它就像一场精细的 “牙齿保卫战”，需要借助各种工具，对根管系统进行清洁、消毒和密封，以此来保障牙齿的长期健康。然而，在这场 “战斗” 中，却有一个让人头疼的 “敌人”—— 牙髓器械折断（Fractured Endodontic Instruments，FEIs）。

不锈钢、镍钛和碳钢制成的器械，凭借着良好的耐用性和柔韧性，在根管治疗中被广泛使用。但即便如此，器械折断的情况还是时有发生。一旦出现这种状况，就如同在根管这个小小的 “战场” 上埋下了 “隐患”，会导致根管内出现难以清理和密封的区域，直接影响牙齿的预后效果。这时候，准确识别牙髓器械折断就显得至关重要了，而根尖片（Periapical Radiographs，PAs）在其中扮演着重要角色。

可是，想从根尖片中精准找出折断的器械并非易事。对于经验不足的人来说，这就像在错综复杂的迷宫中找出口一样困难。因为折断的器械和牙胶尖、根管充填材料在影像上看起来十分相似，让人难以分辨。而且，根管那复杂的解剖结构，加上重叠的组织影像，还有二维成像本身的局限性，比如深度感知能力弱、图像质量不稳定等，都给牙髓器械折断的识别增加了重重困难。要是不小心误诊或者延误诊断，那对治疗效果的影响可就大了。

目前，虽然成像技术在不断进步，但还没有一套标准化的方法能可靠地检测出折断的器械。好在深度学习（Deep Learning，DL）技术的出现，为解决这个难题带来了新的希望。深度学习中的卷积神经网络（Convolutional Neural Networks，CNNs）在医疗诊断领域展现出了强大的能力，它可以减少诊断的差异，提高临床诊断效率。不过，不同的 CNN 模型结构差异很大，像超参数、网络层数、特征提取能力这些方面都各不相同。所以，选择合适的模型结构对于实现准确可靠的预测至关重要。但到目前为止，不同 CNN 模型在检测牙髓器械折断方面的优势和劣势还没有被深入研究清楚。

为了深入了解不同 CNN 模型在检测牙髓器械折断方面的性能差异，来自 Trakya 大学的研究人员在《BMC Oral Health》期刊上发表了一篇名为 “Comparison of deep learning models for the detection of fractured endodontic instruments in periapical radiographs” 的论文。通过一系列研究，他们发现 DenseNet201 在检测牙髓器械折断方面表现最为出色，它就像是一位 “神探”，能够精准地找出折断的器械；ResNet - 18 也不错，在准确性和计算效率之间找到了很好的平衡；而 MaxVit - T 的表现就差强人意了，各项指标都不太理想。这一研究成果为深度学习技术在牙髓病诊断中的应用提供了重要参考，有望提高诊断的准确性，改善临床治疗效果。

研究人员在开展这项研究时，用到了几个关键技术方法。首先是数据收集，他们选择根尖片作为研究材料，从 Trakya 大学牙髓病科接受根尖片检查的患者中筛选符合条件的样本。收集到数据后，利用开源标注工具 CVAT，让两位牙髓病专家对数据进行标注。之后，研究人员挑选了 VGG - 19、DenseNet - 201、ResNet - 18、EfficientNet B0 和 MaxVit - T 这五个骨干网络模型，采用迁移学习的方法，基于 ImageNet 上预训练的模型进行微调。在训练过程中，还使用了数据增强技术，比如随机旋转、翻转和调整图像亮度等，以此来提高模型的泛化能力。最后，通过准确率、AUC（曲线下面积，用于评估模型区分不同类别的能力）和 MCC（马修斯相关系数，能综合评估模型在正负样本上的分类性能）等指标来评估模型的性能。

下面来看看具体的研究结果：

• 统计分析：研究人员用 Python 3.7 进行统计分析，发现不同模型之间存在显著差异。在众多模型中，DenseNet201 表现最为突出，它的 AUC 达到了 0.900，MCC 为 0.810，这表明它在数据分类方面能力很强，就像拥有一双 “火眼金睛”，能准确区分出折断器械和正常情况。而 MaxVit - T 的表现却不尽人意，它的准确率只有 0.346，几乎接近随机猜测的水平，AUC 和 MCC 也很低，分别为 0.560 和 0.249，这说明它在区分不同类别和减少错误分类方面存在很大问题，不太适合这项任务。EfficientNet B0、VGG - 19 和 ResNet - 18 的表现处于中等水平，其中 ResNet - 18 在整体指标上稍微领先一些，不过和 DenseNet201 相比，还是有一定差距。虽然统计分析中的事后检验没有发现模型之间存在显著的两两差异，但这并不代表它们在实际应用中效果一样，像 MaxVit - T 的表现就明显不行。
• ROC 曲线分析：从 ROC 曲线来看，DenseNet201、EfficientNet B0 和 ResNet - 18 的曲线上升陡峭，AUC 值都超过了 0.880，这说明它们在平衡真阳性率和假阳性率方面表现良好，能很好地区分不同类别。而 MaxVit - T 的 ROC 曲线几乎是一条直线，AUC 只有 0.560，这再次证明它的表现接近随机猜测。虽然从统计角度看，模型之间的 AUC 值没有显著差异，但从实际应用的角度来看，MaxVit - T 的局限性非常明显。

在讨论部分，研究人员对不同模型的表现进行了深入分析。DenseNet201 之所以表现出色，是因为它独特的密集连接结构。这种结构就像是搭建了许多便捷的 “信息高速公路”，可以促进特征的重复利用，还能防止梯度消失，让模型在复杂的成像场景中也能高效地训练和提取特征。ResNet - 18 凭借着剩余连接，成功缓解了梯度消失的问题，训练起来更加高效。不过，它的网络层数相对较少，在捕捉复杂特征方面可能比不过 DenseNet201，但它胜在计算效率高，在一些对速度有要求的场景中很有优势。EfficientNet B0 通过复合缩放的方法，在深度、宽度和分辨率之间找到了一个很好的平衡点，计算资源利用得很高效，但在处理像检测牙髓器械折断这样具有挑战性的任务时，还是比不上 DenseNet201。VGG - 19 虽然准确率比较稳定，但它的参数太多，计算起来效率不高，在大规模应用或者资源有限的情况下不太实用。而 MaxVit - T 作为基于变压器的模型，在需要局部特征提取的医学成像任务中表现不佳，它过于依赖自注意力机制，在处理精细的、特定领域的任务时有些力不从心，而且对计算资源的需求很大，对小数据集也很敏感。

这项研究还存在一些不足之处。比如数据集是从单一机构收集的，样本的同质性比较高，这可能会影响研究结果的普适性，就像从一个小池塘里捞出的鱼，不能代表整个大海里的鱼一样。而且数据集的大小和预处理方式对模型性能也有很大影响，虽然研究中使用的数据增强技术提高了模型的鲁棒性，但未来还是需要更大、更多样化的数据集来进一步验证模型的性能。另外，由于缺乏专门针对牙科成像的预训练模型，大部分数据都用于训练，导致测试集比较小，可能无法全面评估模型的真实性能。

不过，这一研究成果的意义依然不可小觑。在临床诊断中，DenseNet201 展现出的强大能力，让人们看到了它提高诊断准确性的巨大潜力。虽然还需要在更大、更复杂的数据集上进行验证，但它已经为牙髓病的诊断带来了新的希望。其他像 EfficientNet B0 和 ResNet - 18 等模型，在特定的场景下也有自己的优势。而且，研究还强调了深度学习模型和人类专家之间的紧密合作关系，模型的准确性和可靠性离不开人类专家的标注和验证。未来的研究可以进一步探索多模态成像技术，对表现不佳的模型进行优化，充分挖掘深度学习在医学成像领域的巨大潜力，为患者带来更好的治疗效果。

总的来说，这项研究就像在牙髓病诊断的道路上点亮了一盏明灯，让人们对深度学习技术在该领域的应用有了更清晰的认识。它不仅找到了在检测牙髓器械折断方面表现优秀的模型，还指出了不同模型的优缺点，为后续的研究和临床应用提供了宝贵的经验。相信在未来，随着技术的不断进步和研究的深入，深度学习会在牙髓病诊断和治疗中发挥更大的作用，帮助更多患者摆脱牙齿疾病的困扰。